1. 36氪(36kr)數(shù)據(jù)----寫(xiě)在前面

今天抓取一個(gè)新聞媒體，36kr的文章內(nèi)容，也是為后面的數(shù)據(jù)分析做相應(yīng)的準(zhǔn)備

網(wǎng)站建設(shè)哪家好，找創(chuàng)新互聯(lián)！專注于網(wǎng)頁(yè)設(shè)計(jì)、網(wǎng)站建設(shè)、微信開(kāi)發(fā)、小程序開(kāi)發(fā)、集團(tuán)企業(yè)網(wǎng)站建設(shè)等服務(wù)項(xiàng)目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了磴口免費(fèi)建站歡迎大家使用！

36kr 讓一部分人先看到未來(lái)，而你今天要做的事情確實(shí)要抓取它的過(guò)去。

網(wǎng)址 https://36kr.com/

2. 36氪(36kr)數(shù)據(jù)----數(shù)據(jù)分析

36kr的頁(yè)面是一個(gè)瀑布流的效果，當(dāng)你不斷的下拉頁(yè)面的時(shí)候，數(shù)據(jù)從后臺(tái)追加過(guò)來(lái)，基于此，基本可以判斷它是ajax異步的數(shù)據(jù)，只需要打開(kāi)開(kāi)發(fā)者工具，就能快速的定位到想要的數(shù)據(jù)，我們嘗試一下！

捕獲鏈接如下

https://36kr.com/api/search-column/mainsite?per_page=20&page=1&_=1543840108547
https://36kr.com/api/search-column/mainsite?per_page=20&page=2&_=1543840108547
https://36kr.com/api/search-column/mainsite?per_page=20&page=3&_=1543840108547
https://36kr.com/api/search-column/mainsite?per_page=20&page=4&_=1543840108547

在多次嘗試之后，發(fā)現(xiàn)per_page最大可以擴(kuò)展到300，但是當(dāng)大于100的數(shù)據(jù)，返回的數(shù)據(jù)并不是很理想，所以，我們擬定為100即可，page就是頁(yè)碼，這個(gè)不斷循環(huán)疊加即可。

上面的參數(shù)還有一個(gè)更加重要的值，叫做total_count 總共有多少文章數(shù)目。有這個(gè)參數(shù)，我們就能快速的拼接出來(lái)，想要的頁(yè)碼了。

3. 36氪(36kr)數(shù)據(jù)----創(chuàng)建scrapy項(xiàng)目

scrapy startproject kr36 

4. 36氪(36kr)數(shù)據(jù)----創(chuàng)建爬蟲(chóng)入口頁(yè)面

scrapy genspider Kr36 "www.gaokaopai.com"
Python資源分享qun 784758214 ,內(nèi)有安裝包，PDF，學(xué)習(xí)視頻，這里是Python學(xué)習(xí)者的聚集地，零基礎(chǔ)，進(jìn)階，都?xì)g迎

5. 36氪(36kr)數(shù)據(jù)----編寫(xiě)url生成器

頁(yè)面起始地址start_urls為第一頁(yè)數(shù)據(jù)，之后會(huì)調(diào)用parse函數(shù)，在函數(shù)內(nèi)容，我們?nèi)カ@取total_count這個(gè)參數(shù)
這個(gè)地方，需要注意 yield 返回?cái)?shù)據(jù)為Request() 關(guān)于他的詳細(xì)說(shuō)明，請(qǐng)參照
https://scrapy-chs.readthedocs.io/zh_CN/0.24/topics/request-response.html

所有參數(shù)清單，參數(shù)名字起得好，基本都能代表所有的意思了。比較重要的是url和callback

class scrapy.http.Request(url[, callback, method='GET', headers, body, cookies, meta, encoding='utf-8', priority=0, dont_filter=False, errback])

class Kr36Spider(scrapy.Spider):
    name = 'Kr36'
    allowed_domains = ['36kr.com']

    start_urls = ['https://36kr.com/api/search-column/mainsite?per_page=100&page=1&_=']
    def parse(self, response):
        data = json.loads(response.body_as_unicode())
        totle = int(data["data"]["total_count"])
        #totle = 201

        for page in range(2,int(totle/100)+2):
            print("正在爬取{}頁(yè)".format(page),end="")
            yield Request("https://36kr.com/api/search-column/mainsite?per_page=100&page={}&_=".format(str(page)), callback=self.parse_item)

6. 36氪(36kr)數(shù)據(jù)----解析數(shù)據(jù)

在解析數(shù)據(jù)過(guò)程中，發(fā)現(xiàn)有時(shí)候數(shù)據(jù)有缺失的情況發(fā)生，所以需要判斷一下 app_views_count ， mobile_views_count ， views_count ， favourite_num 是否出現(xiàn)在字典中。

注意下面代碼中的Kr36Item類，這個(gè)需要提前創(chuàng)建一下

Kr36Item

class Kr36Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    app_views_count = scrapy.Field() # APP觀看數(shù)量
    mobile_views_count = scrapy.Field() # 移動(dòng)端觀看數(shù)量
    views_count = scrapy.Field() # PC觀看數(shù)量
    column_name = scrapy.Field() # 類別
    favourite_num = scrapy.Field() # 收藏?cái)?shù)量
    title = scrapy.Field() # 標(biāo)題
    published_at = scrapy.Field() # 發(fā)布時(shí)間
    is_free = scrapy.Field() # 是否免費(fèi)
    username = scrapy.Field()

    def parse_item(self,response):

        data = json.loads(response.body_as_unicode())
        item = Kr36Item()
        for one_item in data["data"]["items"]:
            print(one_item)
            item["app_views_count"] = one_item["app_views_count"] if "app_views_count" in one_item else 0# APP觀看數(shù)量
            item["mobile_views_count"] = one_item["mobile_views_count"]  if "mobile_views_count" in one_item else 0 # 移動(dòng)端觀看數(shù)量
            item["views_count"] = one_item["views_count"]  if "views_count" in one_item else 0  # PC觀看數(shù)量
            item["column_name"] = one_item["column_name"]  # 類別
            item["favourite_num"] = one_item["favourite_num"]  if "favourite_num" in one_item else 0  # 收藏?cái)?shù)量
            item["title"] = one_item["title"] # 標(biāo)題
            item["published_at"] = one_item["published_at"]  # 發(fā)布時(shí)間
            item["is_free"] = one_item["is_free"] if "is_free" in one_item else 0# 是否免費(fèi)
            item["username"] = json.loads(one_item["user_info"])["name"]
            yield item

最后打開(kāi)settings.py中的pipelines編寫(xiě)數(shù)據(jù)持久化代碼

ITEM_PIPELINES = {
   'kr36.pipelines.Kr36Pipeline': 300,
}

import os
import csv

class Kr36Pipeline(object):
    def __init__(self):
        store_file = os.path.dirname(__file__)+'/spiders/36kr.csv'
        self.file = open(store_file,"a+",newline="",encoding="utf_8_sig")
        self.writer = csv.writer(self.file)
    def process_item(self, item, spider):
        try:
            self.writer.writerow((
                item["title"],
                item["app_views_count"],
                item["mobile_views_count"],
                item["views_count"],
                item["column_name"],
                item["favourite_num"],
                item["published_at"],
                item["is_free"],
                item["username"]
            ))
            print("數(shù)據(jù)存儲(chǔ)完畢")
        except Exception as e:
            print(e.args)

    def close_spider(self,spider):
        self.file.close()
Python資源分享qun 784758214 ,內(nèi)有安裝包，PDF，學(xué)習(xí)視頻，這里是Python學(xué)習(xí)者的聚集地，零基礎(chǔ)，進(jìn)階，都?xì)g迎

7. 36氪(36kr)數(shù)據(jù)----獲取數(shù)據(jù)

運(yùn)行上述代碼，沒(méi)有做過(guò)多的處理，也沒(méi)有調(diào)整并發(fā)速度，也沒(méi)有做反爬措施。跑了一下，大概獲取到了69936條數(shù)據(jù)，和預(yù)估的差了300多條，問(wèn)題不大，原因沒(méi)細(xì)查。